A joint meta-analysis framework for the accuracy of two diagnostic tests accounting for varying study designs

기술 요약: 다양한 연구 설계를 고려한 두 진단 검사의 정확도에 관한 공동 메타 분석 프레임워크

문제 제기
진단 검사 정확도(DTA)에 대한 메타 분석은 일반적으로 단일 검사에 대한 증거를 합성한다. 그러나 임상 현장에서는 여러 검사를 조합하거나 순차적으로 사용하는 경우를 평가하는 것이 자주 요구된다. 두 검사를 공동으로 메타 분석하는 기존 방법들은 대개 질병 상태가 주어졌을 때 두 검사 간의 조건부 독립성을 가정한다. 이러한 가정은 두 검사가 생물학적 기전을 공유하거나 질병의 중증도가 검사 결과에 영향을 미치는 경우, 현실적이지 않은 경우가 많다. 조건부 의존성을 무시하면 결합 정확도(예: "모두 양성" 또는 "어떠한 경우든 양성" 결정 규칙)에 대한 편향된 추정치를 초래할 수 있으며, 잘못된 임상적 결론으로 이어질 수 있다.

또한, 조건부 의존성을 설명하려는 기존 모델들은 다음과 같은 상당한 한계에 직면해 있다:

1. 데이터 요구 사항: 많은 모델(예: Trikalinos et al., 2014; Nikoloulopoulos, 2024)은 모든 연구로부터 완전한 $2 \times 4$ 결합 분류표(두 검사와 골드 스탠더드의 교차 분류 결과)를 요구한다. 이러한 데이터는 흔히 별도의 $2 \times 2$ 표만을 제공하는 출판 보고서에서는 구할 수 없는 경우가 많다.
2. 계산적 불안정성: 결합 진양성률(TPR)과 결합 위양성률(FPR)을 변량 효과로 취급하는 모델은 경계 문제(boundary issues)에 직면한다. 이러한 결합 확률은 개별적인 민감도 및 특이도에 의해 수학적으로 제한된다(예: 결합 TPR은 개별 TPR의 최솟값을 초 exceed할 수 없다). 이 제한된 파라미터들을 비제한적인 다변량 정규 변량 효과로 모델링하면 추정 실패, 발산하는 전이(divergent transitions) 또는 결합률이 개별률을 초과하는 유효하지 않은 사후 분포 추출이 발생한다.
3. 연구 설계의 이질성: 실제 체계적 문헌고찰에는 부분 검증(골드 스탠더드가 조건부로 적용되는 경우), 불완전한 참조 표준, 또는 일부 참가자에서 한 가지 검사의 데이터가 누락된 경우와 같이 다양한 설계를 가진 연구들이 포함된다. 기존의 공동 모델은 데이터 보간법에 의존하거나 참조 표준이 오류가 없다고 가정하지 않고서는 이러한 설계를 수용하는 데 어려움을 겪는 경우가 많다.

방법론
저자들은 두 개의 이진 진단 검사에 대한 공동 메타 분석을 위한 베이지안 계층 모델을 제안한다. 이 프레임워크는 조건부 의존성과 다양한 연구 설계를 동시에 처리하도록 설계되었다.

• 로그 오즈비(Log-Odds Ratios)를 통한 파라미터화: 저자들은 결합 확률이나 피어슨 상관계수를 변량 효과로 모델링하는 대신, 조건부 의존성을 연구별 로그 오즈비($\log(OR_{1i})$는 질병군, $\log(OR_{0i})$는 비질병군)를 사용하여 모델링한다. 로그 오즈비는 수학적으로 제한이 없으므로 경계 문제 없이 다변량 정규 분포에 배치될 수 있다. 결합 확률은 개별 민감도, 특이도 및 로그 오즈비로부터 결정론적으로 도출된다.
• 계층 구조: 모델은 로짓 변환된 개별 TPR, 로짓 변환된 개별 FPR, 그리고 연구 간 로그 오즈비의 벡터에 대해 6차원 다변량 정규 분포를 가정한다. 이 구조는 연구 간 이질성과 파라미터 간의 상관관계를 허용한다.
• 유연한 가능도 구성: 프레임ark의 핵심 기능은 각 연구의 설계와 보고 방식에 따라 특정 가능도 함수를 정의함으로써 다양한 데이터 구조를 수용할 수 있다는 점이다:
  • 완전 결합 분류: 질병군과 비질병군에 대해 4차원 다항 분포를 사용한다.
    려 별도 보고 (결합 데이터 없음): 각 검사에 대한 독립적인 이항 분포를 사용하며, 이는 의존성에 대한 정보는 제공하지 않지만 여전히 개별 정확도에 대한 정보를 제공한다.
  • 부분 쌍을 이룬/누락된 데이터: 일부 참가자에게서 한 가지 검사의 결과가 누락된 설계(결측이 완전 무작위(MCAR)라고 가정)를 수용하기 위해 다항 분포와 이항 가능도를 결합한다.
  • 대안적 검증 설계: 모든 참가자에게 골드 스탠더드가 적용되지 않는 연구로 확장된다. 여기에는 다음이 포함된다:
    • 불완전한 참조 표준: 관찰된 횟수를 관찰되지 않은 골드 스탠더드에 대해 한계화(marginalizing)하여 모델링한다(잠재 클래스 접근법).
    • 조건부 검증 (NMAR): 인덱스 검사에서 양성 판정을 받은 사람에게만 골드 스탠더드를 적용하는 설계(예: "음성을 확인하는" 설계)를 처리하기 위해 선택 메커니즘을 고려한 가능도를 구축한다.
• 추론: 모델은 Hamiltonian Monte Carlo를 사용하여 Stan에서 구현된다. 평균 파라미터에는 희박한 사전 분포(vague priors)를 사용하고, 연구 간 표준 편차에는 약한 정보적 사전 분포를, 상관 행렬에는 LKJ 사전 분포를 사용한다.

주요 기여

1. 계산적 안정성: 의존성을 로그 오즈비로 파라미터화함으로써, 모델은 결합 확률 파라미터화에 내재된 경계 제약을 피하여, 완전한 결합 데이터가 누락된 경우에도 유효한 확률 공간과 안정적인 추정을 보장한다.
2. 데이터 보간 불필요: 이 프레임워크는 별도의 $2 \times 2$ 표만을 보고하거나 부분적인 결합 데이터를 보고하는 연구를 직접 포함할 수 있게 하여, 이전 방법들(예: Trikalings et al., 2014)에서 요구되었던 초기 데이터 보간 단계를 제거한다.
3. 대칭성: 한 검사가 다른 검사의 위험 층화 도구로 작용하는 계층화 접근법(예: Novielli et al., 2013)과 달리, 이 모델은 두 검사를 대칭적으로 취급하여 이진 검사 시나리오에서의 임의적인 선택을 피한다.
4. 설계 불가지론(Design Agnosticism): 이 프레임워크는 참조 표준이 오류가 없다고 가정하지 않고도 불완전한 참조 표준, 부분 검증, 누락된 데이터를 포함하는 연구들을 자연스럽게 통합한다.

결과
프레임워크는 두 가지 사례 연구에 적용되었다:

1. 다운 증후군 선별 검사 (초음파 마커): 이 데이터셋은 높은 조건부 의존성을 보였다(비질병군의 사후 중앙값 오즈비는 21.83, 질병군의 경우 61.44). 결과는 이 의존성을 무시할 경우 상당한 편향이 발생함을 입증했다. "모두 양성" 규칙 하에서는 민감도가 과소평가되었고(12.3% 대 28.3%), 특이도는 과대평가되었다. "어떠한 경우든 양성" 규칙 하에서는 민감도가 과대평가되었고 특이도는 과소평가되었다.
2. A군 연쇄상구균 진단 (McIsaac Rule vs. RADT): 이 데이터셋은 약하거나 무시할 만한 수준의 조건부 의존성을 보였다(오즈비가 1에 근접함). 따라서, 의존성을 고려한 모델과 독립성을 가정한 모델 간의 차이는 덜 뚜렷했으나, 복합 규칙에 대한 점 추정치의 변화는 여전히 관찰되었다.

두 경우 모두, 프레임워크는 데이터 보간 없이도 다양한 보고 구조(예: 일부 연구는 완전 결합 표를 보고하고, 다른 연구는 별도의 표만을 보고하며, 또 다른 연구는 불완전한 참조 표준을 사용하는 경우)를 성공적으로 처리하였다.

의의 및 주장
본 논문은 자신의 주요 의의가 데이터 보간이나 오류가 있는 참조 표준 가정에 의존하지 않고, 공동 메타 분석을 위한 견고하고 계산적으로 안정적인 프레임워크를 제공하는 데 있다고 주장한다. 저자들은 모델이 표준 DTA 메타 분석의 핵심 특징을 유지하면서도, 조건부 의존성이 상당할 때 조합되어 사용되는 검사들의 성능을 정확하게 추정하는 데 필수적임을 강조한다.

저자들은 다운 증후군 데이터의 연령과 원래 McIsaac 리뷰의 특정 포함 기준을 고려할 때, 사례 연구가 프레임워크의 능력을 보여주는 예시적 사례일 뿐 결정적인 임상적 의사결정 가이드가 아님을 겸허히 밝힌다. 또한, 두 개 이상의 검사로 모델을 확장하는 것의 복잡성과 새로운 연구 설계에 대한 맞춤형 가능도 코딩의 필요성을 한계점으로 언급하며, 더 넓은 접근성을 위한 사용자 친화적인 소프트웨어 개발이 향후 과제임을 시사한다.